# IMPORTANDO BIBLIOTECAS
# IMPORT LIBRARY

import pandas as pd 
import plotly.express as px

# IMPORTANDO BASE DE DADOS
# IMPORT DATABASE
df = pd.read_csv("telecom_users.csv")
display(df)

	Unnamed: 0	IDCliente	Genero	Aposentado	Casado	Dependentes	MesesComoCliente	ServicoTelefone	MultiplasLinhas	ServicoInternet	...	ServicoSuporteTecnico	ServicoStreamingTV	ServicoFilmes	TipoContrato	FaturaDigital	FormaPagamento	ValorMensal	TotalGasto	Churn	Codigo
0	1869	7010-BRBUU	Masculino	0	Sim	Sim	72	Sim	Sim	Nao	...	SemInternet	SemInternet	SemInternet	2 anos	Nao	CartaoCredito	24.10	1734.65	Nao	NaN
1	4528	9688-YGXVR	Feminino	0	Nao	Nao	44	Sim	Nao	Fibra	...	Nao	Sim	Nao	Mensal	Sim	CartaoCredito	88.15	3973.2	Nao	NaN
2	6344	9286-DOJGF	Feminino	1	Sim	Nao	38	Sim	Sim	Fibra	...	Nao	Nao	Nao	Mensal	Sim	DebitoAutomatico	74.95	2869.85	Sim	NaN
3	6739	6994-KERXL	Masculino	0	Nao	Nao	4	Sim	Nao	DSL	...	Nao	Nao	Sim	Mensal	Sim	BoletoEletronico	55.90	238.5	Nao	NaN
4	432	2181-UAESM	Masculino	0	Nao	Nao	2	Sim	Nao	DSL	...	Nao	Nao	Nao	Mensal	Nao	BoletoEletronico	53.45	119.5	Nao	NaN
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
5981	3772	0684-AOSIH	Masculino	0	Sim	Nao	1	Sim	Nao	Fibra	...	Nao	Sim	Sim	Mensal	Sim	BoletoEletronico	95.00	95	Sim	NaN
5982	5191	5982-PSMKW	Feminino	0	Sim	Sim	23	Sim	Sim	DSL	...	Sim	Sim	Sim	2 anos	Sim	CartaoCredito	91.10	2198.3	Nao	NaN
5983	5226	8044-BGWPI	Masculino	0	Sim	Sim	12	Sim	Nao	Nao	...	SemInternet	SemInternet	SemInternet	Mensal	Sim	BoletoEletronico	21.15	306.05	Nao	NaN
5984	5390	7450-NWRTR	Masculino	1	Nao	Nao	12	Sim	Sim	Fibra	...	Nao	Sim	Sim	Mensal	Sim	BoletoEletronico	99.45	1200.15	Sim	NaN
5985	860	4795-UXVCJ	Masculino	0	Nao	Nao	26	Sim	Nao	Nao	...	SemInternet	SemInternet	SemInternet	Anual	Nao	CartaoCredito	19.80	457.3	Nao	NaN

5986 rows × 23 columns

# tratamento da base de dados
# database treatment
# axis = 0 _> linha ou axis = 1 _> coluna
# 1º limpeza
# 1º cleaning

df = df.drop(["Unnamed: 0", "Codigo"], axis=1)

# removendo colunas vazias:
# removing empty columns:

df = df.dropna(how="all", axis=1)    # all remove se estiver todas linha ou coluna vazia

# removendo linhas vazias 
# removing empty lines

df = df.dropna(how="any", axis=0)     # any remove se tiver 1 ou mais vazios
# tratamento da base de dados

# 2º informações disponiveis
# 2 information availableprint(df.info())
print(df.info())

<class 'pandas.core.frame.DataFrame'>
Int64Index: 5984 entries, 0 to 5985
Data columns (total 21 columns):
 #   Column                  Non-Null Count  Dtype  
---  ------                  --------------  -----  
 0   IDCliente               5984 non-null   object 
 1   Genero                  5984 non-null   object 
 2   Aposentado              5984 non-null   int64  
 3   Casado                  5984 non-null   object 
 4   Dependentes             5984 non-null   object 
 5   MesesComoCliente        5984 non-null   int64  
 6   ServicoTelefone         5984 non-null   object 
 7   MultiplasLinhas         5984 non-null   object 
 8   ServicoInternet         5984 non-null   object 
 9   ServicoSegurancaOnline  5984 non-null   object 
 10  ServicoBackupOnline     5984 non-null   object 
 11  ProtecaoEquipamento     5984 non-null   object 
 12  ServicoSuporteTecnico   5984 non-null   object 
 13  ServicoStreamingTV      5984 non-null   object 
 14  ServicoFilmes           5984 non-null   object 
 15  TipoContrato            5984 non-null   object 
 16  FaturaDigital           5984 non-null   object 
 17  FormaPagamento          5984 non-null   object 
 18  ValorMensal             5984 non-null   float64
 19  TotalGasto              5984 non-null   object 
 20  Churn                   5984 non-null   object 
dtypes: float64(1), int64(2), object(18)
memory usage: 1.0+ MB
None

# Analise exploratoria de Churn
# Churn's exploratory analysis

print(df["Churn"].value_counts())
print(df["Churn"].value_counts(normalize=True).map("{:.1%}".format))

Nao    4397
Sim    1587
Name: Churn, dtype: int64
Nao    73.5%
Sim    26.5%
Name: Churn, dtype: object

# Alanise com graficos comparativos com Churn
# Alanise with comparative charts with Churn

for coluna in df.columns:
    grafico = px.histogram(df, x=coluna, color="Churn", text_auto=True, color_discrete_sequence=["black", "red"])
    grafico.show()

Conclusões:

questão problema: Clientes com contrato mensal tem mais chance de cancelar, como mostra o histrograma de Tipo de cliente: ideia: Estudar e execultar propsota para captar cliente com plano anual, como ofertar de desconto do plano anual.

ideia: falimia maiores tendem a cancelar menos do que familia menores, propor uma promoção para numeros adionais.

questão problema: histrograma Meses como clientes mostra que uma grande parte de clientes com poucos meses de experiencia tendem a cancelar, o poblema pode ser no suporte da empresa ou na captação de clientes desqualificados. ideia: estudar os principais motivos de cancelamento para ir a fundo pois esses numeros estão representando uma grande parte do cancelamento.

ideia:QUanto mais serviços o cliente tem, menos chance dele cancelar, incetivar ofertas para clientes que ja tem algum tipo de plano, onde assim ira estender os serviços e faturamento.

ideia: Clientes no boleto tem MUITO mais chance de cancelar, então temos que fazer alguma ação para eles irem para as outras formas de pagamento

questão poblema: Tem alguma coisa no nosso serviço de Fibra que tá fazendo os clientes cancelarem.